百度吳恩達(dá)：圖像和音視頻搜索是人工智能新方向

作者：吳恩達(dá)

未來論壇創(chuàng)立大會今天在北京舉行。本屆大會的主題是“指數(shù)Exponential ——通向明天的技術(shù)力量（The power of technology for a new tomorrow）”。

　　百度公司首席科學(xué)家吳恩達(dá)為本次論壇做了主旨演講，他演講的主題是“機(jī)器學(xué)習(xí)與AI人工智能”。在他看來，通過移動互聯(lián)網(wǎng)的興起，交流方式從文本慢慢轉(zhuǎn)向圖像和視頻，所以我們看到越來越多的人搜索圖像和語言，通過AI我們就能夠更好的了解這些文本和圖像，以及語言之間的互動關(guān)系。

　　吳恩達(dá)還闡述道，對于小孩和老年人來說，有時候可能打字比較困難，如果你能夠讓他們使用語音搜索，就能夠讓他們使用方便的信息產(chǎn)品和服務(wù)。對于我們普通人來說，使用語言識別和語言搜索也越來越方便，百度在語音識別方面投入了很多。

　　以下是吳恩達(dá)的演講實(shí)錄：

　　Andrew Ng：在過去幾年中，AI人工智能和深層次的學(xué)習(xí)不斷轉(zhuǎn)變技術(shù)，而且給公司創(chuàng)建了巨大的經(jīng)濟(jì)價值，也在更大改進(jìn)人類和技術(shù)獲得的方式。但是關(guān)于AI人工智能也有非常多的炒作，我今天要做的就是向大家傳達(dá)兩個信息，一個，我希望能夠向大家介紹一下AI人工智能領(lǐng)域所發(fā)生的現(xiàn)象，我希望三十年之后，大家能夠講述什么是腳踏實(shí)地，什么是炒作。其次，如果你是組織的領(lǐng)導(dǎo)人，我希望30分鐘之后你能夠有戰(zhàn)略性的思維，思考一下最近的歷史和AI近期的未來，這樣就能夠更好的領(lǐng)導(dǎo)團(tuán)隊(duì)做出更好的關(guān)于AI和技術(shù)的決策，因?yàn)锳I和互聯(lián)網(wǎng)正在改變著我們的生活和我們的經(jīng)濟(jì)結(jié)構(gòu)。

　　過去十五年間，我們現(xiàn)在都有一個關(guān)于人工智能正循環(huán)的理念，我們認(rèn)為它能夠帶來一個很好的產(chǎn)品，服務(wù)很多的用戶，有著很多的用戶就能夠收集很多的數(shù)據(jù)，用戶數(shù)據(jù)、服務(wù)數(shù)據(jù)，有很多數(shù)據(jù)就能夠使我們使用AI繼續(xù)改善我們的產(chǎn)品。但是這張圖的問題就在于，直到近期AI這一步其實(shí)做的都不好，傳統(tǒng)來說，即便是你加大投入，但是它的性能也不會提高。我們現(xiàn)在對AI和深度學(xué)習(xí)的理解，只要你現(xiàn)在衡量AI的技術(shù)等等，他的AI性能會越來越高，這樣就能夠減少它的成本，提高它的性能，在大數(shù)據(jù)的時代這些深度學(xué)習(xí)的算法比傳統(tǒng)AI算法要更好，因?yàn)樗軌蛑饾u提高AI的性能，因此歷史上第一次我們能夠在這個圖中完成AI的環(huán)節(jié)，得到數(shù)據(jù)，得到很好的產(chǎn)品，接觸大量的用戶。

　　大多數(shù)互聯(lián)網(wǎng)信息都是基于文本的，通過移動互聯(lián)網(wǎng)的興起，我們認(rèn)為這種交流方式同文本慢慢轉(zhuǎn)向圖像和視頻，所以在百度我們看到越來越多的人搜索圖像和語言，我認(rèn)為通過AI我們就能夠更好的了解這些文本和圖像，以及語言之間的互動關(guān)系。我現(xiàn)在想給大家介紹一些例子，向大家解釋一下AI是如何使用今天的互聯(lián)網(wǎng)。

AI如何使用今天的互聯(lián)網(wǎng)

　　百度這樣的公司在文本上做了很多工作，我們先從圖像開始。七年前我問我斯坦福的學(xué)習(xí)，讓他們寫一個算法，在圖像中找到杯子。七年前當(dāng)時最好的算法，他們使用了最好的算法，這就是結(jié)果，在各個地方都找到了杯子，這是錯誤的。對于你和我來說，作為人類來說，很難理解計(jì)算機(jī)為什么無法識別出這個杯子，為什么計(jì)算機(jī)看不到我們能看到的東西？計(jì)算機(jī)很難做到這一點(diǎn)，我們詳細(xì)的看一看，我們眼中看到的是杯子，但是計(jì)算機(jī)看到的是很多的像素，所以計(jì)算機(jī)的作用是看這些數(shù)字來考驗(yàn)?zāi)氵@些數(shù)字代表的是什么，代表的是這個杯子的口，看起來這是一個計(jì)算機(jī)的問題，六、七年前如果讓機(jī)器來解決這些問題是非常困難的。

　　五年前發(fā)生了變化，興起了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的技術(shù)，我們當(dāng)時受到了人類大腦運(yùn)作的啟發(fā)，開始創(chuàng)造軟件，模擬這些神經(jīng)元的工作方式。深度學(xué)習(xí)是什么意思？我們建立這些神經(jīng)網(wǎng)絡(luò)，深度模擬我們大腦中神經(jīng)源信息傳統(tǒng)的路徑和方式。在AI中有很多炒作，這些炒作的原因之一，很多人說這句話，深度學(xué)習(xí)推動科技發(fā)展，這句簡簡單單的話，這句口號都對AI進(jìn)行炒作。

　　在午餐的時候我跟饒毅進(jìn)行交談，他是北大的生命科學(xué)家，我們當(dāng)時都感嘆，今天我們其實(shí)都不了解人的大腦是如何工作的，所以我們的確無法來準(zhǔn)確的模擬人類的大腦。我們深度學(xué)習(xí)的軟件雖然模擬人類的大腦，但是他只是大腦，從特別特別淺的方面來模擬大腦運(yùn)作方式，我們真的不了解大腦是如何運(yùn)作的。我們通過不準(zhǔn)確的模擬就已經(jīng)啟發(fā)了我們新技術(shù)的發(fā)展，我們使用計(jì)算機(jī)的視覺，我們給他輸入了很多關(guān)于杯子的數(shù)據(jù)。我們在過去五年間發(fā)現(xiàn)這些算法，能夠從數(shù)據(jù)中學(xué)習(xí)，學(xué)習(xí)這個杯子長的是什么樣的，所以我們?nèi)〉昧撕荛L久的進(jìn)步。今天計(jì)算就很容易的識別杯子了。這只是在圖像中找到杯子，這是一個很簡單的任務(wù)。我們的視覺系統(tǒng)能夠做的比這多得多，我希望能夠給大家展示這些圖像，問大家您在這些圖像中看到了什么，如果我想問您為這些圖寫說明，你左邊可能會寫一個黃車在路上行駛，后面是樹林。右面你可以寫是一個起居室，白色的沙發(fā)，藍(lán)色的地毯，還有下午的斜陽照進(jìn)了房間。之所以你能夠?qū)戇@些說明，你了解這些圖像是什么意思，所以你才能夠?qū)懻f明。你能做的是詳細(xì)的說明這些圖像的信息，另一方面計(jì)算機(jī)只能識別杯子，這兩者之間有巨大的差異。這些說明和字幕并不是人寫的，過去幾年中通過軟件的發(fā)展，我們現(xiàn)在已經(jīng)有軟件對這些圖像進(jìn)行字幕的說明，有這樣的技術(shù)對我們帶來了新的機(jī)會，使我們軟件通過深度的學(xué)習(xí)分析數(shù)據(jù)，使我們有更多的數(shù)據(jù)，使計(jì)算機(jī)視覺做到五年前無法做到的事情，在可預(yù)見的未來，這樣的軟件使我們能夠更好的了解醫(yī)學(xué)的圖象。計(jì)算，自覺的識別可能是很難的，未來是我們的目標(biāo)之一，百度眼睛產(chǎn)品是我們對未來的愿景而已。

為什么深度學(xué)習(xí)現(xiàn)在火了？

　　為什么深度學(xué)習(xí)現(xiàn)在開始火了，現(xiàn)在開始越來越好了，我現(xiàn)在解釋一下深度學(xué)習(xí)的功能，以及他能為我們帶來什么樣的價值，解釋深度學(xué)習(xí)是怎樣運(yùn)作的，為什么越來越好？我現(xiàn)在要做一個比喻，如果你想象一下我們建造火箭，火箭有兩個部分，第一部分是火箭發(fā)射機(jī)，是很大的發(fā)動機(jī)。第二個是燃料，如果發(fā)動機(jī)小，燃料很多是不可能的，如果發(fā)動機(jī)很小，燃料很少也不行，燃料燒著燒著就沒了，所以火箭必須要有一個大發(fā)動機(jī)和很多的燃料。深度學(xué)習(xí)和這個差不多，我們現(xiàn)在神經(jīng)網(wǎng)絡(luò)就是我們發(fā)動機(jī)，它推動著AI的發(fā)展，燃料就是我們所用的數(shù)據(jù)，我們現(xiàn)在有這么多的數(shù)據(jù)，社會數(shù)據(jù)化給我們提供了大量的數(shù)據(jù)，這樣輸入到我們發(fā)動機(jī)中給我們作為燃料。在AI最近發(fā)展主要推動力，因?yàn)槲覀兡軌蚪ê艽蟮木窬W(wǎng)絡(luò)。另一方面，百度這樣的公司能夠收集很多的數(shù)據(jù)，為這些精神網(wǎng)絡(luò)輸入數(shù)據(jù)。我們有一個很大的技術(shù)網(wǎng)絡(luò)，同時有很大的數(shù)據(jù)，這樣當(dāng)然深度學(xué)習(xí)可以越來越好了。

　　我今天提到的一件事，我們現(xiàn)在能夠建造很大的神經(jīng)網(wǎng)絡(luò)，五年前，2010年的時候在學(xué)術(shù)界用的最大的神經(jīng)網(wǎng)絡(luò)有1000萬的連接，于是模擬神經(jīng)源之間的連接。四年前，2011年的時候我們在谷歌啟動了一個工程，建造很大的精神網(wǎng)絡(luò)，使用1000個谷歌的服務(wù)器，我們當(dāng)時的團(tuán)隊(duì)建造神經(jīng)網(wǎng)絡(luò)差不多是原來的十倍大。后來我們發(fā)現(xiàn)我們當(dāng)時的技術(shù)其實(shí)無法更大，后來我們在其他大學(xué)應(yīng)用了其他的技術(shù)，你只用三個服務(wù)器就實(shí)現(xiàn)了100億的連接，在百度我們使用GPU新的技術(shù)，現(xiàn)在可以建造非常非常大的精神網(wǎng)絡(luò)。在AI和深度網(wǎng)絡(luò)中做出很多的進(jìn)步，都是因?yàn)槲覀兡軌蚪ㄔ炀薮蟮臋C(jī)器，模擬精神網(wǎng)絡(luò)，吸收這么多海量的數(shù)據(jù)，做出預(yù)測。

人工智能改變用戶交互的方式是語音

　　我現(xiàn)在和大家展示一個關(guān)于語音識別的例子，解釋一下我剛才做的發(fā)動機(jī)核燃料的比喻。百度在語音識別方面投入了很多，很多人是使用語音的搜索，對于小孩和老年人，有時候可能打字比較困難，如果你能夠讓他們使用語音搜索，就能夠讓他們使用方便的信息產(chǎn)品和服務(wù)。對于我們普通人來說，使用語言識別和語言搜索也是越來越方便的，直到最近基本上所有語音識別都是很簡單的軟件實(shí)施，一個方塊里是一個復(fù)雜的體系，我們最近決定讓我們看一看產(chǎn)生語音識別的軟件，把它扔掉，取而代之是神經(jīng)網(wǎng)絡(luò)，所以這也就是我們的發(fā)動機(jī)，因?yàn)榘俣仍贕PU早期投入了很多，所以我們能夠建造很大的火箭發(fā)動機(jī)。燃料是什么？在語音識別方面，大部分學(xué)術(shù)人士他們都利用數(shù)據(jù)，有一些人他們有300個小時，最大的是2000個小時，最開始我們用了幾個小時的語音數(shù)據(jù)，后來有幾千個語音的數(shù)據(jù)，后來建立了合成的語音數(shù)據(jù)。后來我們一共達(dá)到了10萬個語音的數(shù)據(jù)，按照語音識別的標(biāo)準(zhǔn)，實(shí)際上這是無法想象的數(shù)據(jù)量。在百度我們有著非常強(qiáng)大的工具，我們可以利用火箭燃料核火箭引擎，把它們放在一起，這樣我們就有了語音識別更高的性能，而且也有很好開放的OPI進(jìn)行發(fā)現(xiàn)。我們不到一個月之前有很好的結(jié)果，我覺得人工智能會改變用戶交互的方式就是語音，我們有語音，因?yàn)?strong>我覺得這里有越來越多互聯(lián)網(wǎng)的溝通走向語音的溝通，現(xiàn)在像百度的公司業(yè)非常多語音的產(chǎn)品，我們可以利用語音，我覺得整個互聯(lián)網(wǎng)經(jīng)濟(jì)和互聯(lián)網(wǎng)生態(tài)系統(tǒng)只是剛剛開始而已，整個的世界現(xiàn)在都在走向移動的設(shè)備，現(xiàn)在還沒有人設(shè)計(jì)出一個非常好的移動設(shè)備輸入的產(chǎn)品，正因?yàn)槿绱?#xff0c;我們現(xiàn)在花很多的時間在小的鍵盤上進(jìn)行輸字，如果說可以讓語音識別運(yùn)作非常好，在一個安靜的環(huán)境下，它運(yùn)作還是非常不錯的。

　　現(xiàn)在出去你在開車，你的手機(jī)是放在旁邊的座椅上，沒有人會利用語音的環(huán)境，因?yàn)樵卩须s環(huán)境下語音識別是不行的。如果我們能設(shè)計(jì)很好的，在嘈雜環(huán)境下運(yùn)作良好的語音技術(shù)，我們當(dāng)然愿意利用語音技術(shù)。如果我在開車，我的手機(jī)放在旁邊座椅上，我可以跟自己的手機(jī)進(jìn)行溝通，我可以給我妻子發(fā)一個短信，我覺得如果有這樣語音技術(shù)，這樣會改變我們整個的世界，會改變我們和移動設(shè)備互動的方式，我想要重新設(shè)計(jì)大家的手機(jī)，圍繞著一個語音識別的界面進(jìn)行重新的設(shè)計(jì)，除了移動的設(shè)備之外，我覺得語音也在改變著物聯(lián)網(wǎng)，包括很多家用電器、可穿戴設(shè)備等等。有一些人知道，現(xiàn)在在物聯(lián)網(wǎng)上，在家用電器中有太多的界面，如果我們能夠和我們的設(shè)備進(jìn)行溝通，進(jìn)行語音識別將會非常好。如果五年前我們說電視的遙控器能夠使你和你的電視進(jìn)行溝通調(diào)頻道，人們覺得你瘋了。我希望可能在我的孩子和孫子輩生命期之內(nèi)有這樣新的技術(shù)，也許有一天我的孫子，或者將來你孫子的孫子會告訴你，他們可以直接和電視進(jìn)行溝通，調(diào)頻。也許有一天你可以和你的微波爐溝通，微波爐會忽略你嗎，它不跟你溝通真的太粗魯，它不禮貌了。我們發(fā)現(xiàn)語音在改變著移動世界，也改變著物聯(lián)網(wǎng)，而且現(xiàn)在有太多互聯(lián)網(wǎng)的溝通，我們與技術(shù)的互動太多了，我們的互動都是圍繞著文本的，還有很多的圖像和語音。現(xiàn)在AI人工智能技術(shù)還有深入學(xué)習(xí)，語音技術(shù)已經(jīng)成為最強(qiáng)大的技術(shù)，可以幫助我們了解和識別這些數(shù)據(jù)，我覺得人工智能是有著很大的潛力，能夠改變我們和技術(shù)互動的方式，包括百度i和無人駕駛車等等，他有非常大的潛力，改變我們跟技術(shù)的互動。基于如此，我對這樣的技術(shù)感到非常的興奮，我在這個基礎(chǔ)方面開展很多的工作。

　　當(dāng)然，這方面也有很多的炒作，我覺得不幸的是，AI快速的發(fā)展現(xiàn)在促成了一些炒作，也許人們會想，某一天計(jì)算機(jī)會成為好的機(jī)器人，會掌控整個的世界，和我們創(chuàng)造一個很好的世界，也許它們不會成為邪惡的機(jī)器人，我們現(xiàn)在手機(jī)上還有非常多的代碼，我個人看來不會出現(xiàn)炒作中出現(xiàn)的狀況。我們可以利用這些技術(shù)進(jìn)行預(yù)測，技術(shù)不斷的改變，我們的生活就是圍繞著技術(shù)，但是神經(jīng)網(wǎng)絡(luò)你知道是非常好的識別工具，還有預(yù)測的工具，當(dāng)你輸入數(shù)據(jù)的時候它們可以進(jìn)行預(yù)測，但是我們在AI領(lǐng)域中工作的這些人，我們參加會議，我們發(fā)表論文，我們對未來的看法和其他一些有著胡思亂想的人之間有很大的區(qū)別，我們的看法不一樣。我覺得如果我們能夠遠(yuǎn)離炒作，AI發(fā)展是比較健康的，AI創(chuàng)造的挑戰(zhàn)并不是機(jī)器會掌控世界，他很可能會幫助我們替代勞工，我們領(lǐng)導(dǎo)者必須要認(rèn)真考慮技術(shù)，要讓人工智能技術(shù)幫助我們替代那些繁雜的勞動。

總結(jié)

以上是生活随笔為你收集整理的百度吴恩达：图像和音视频搜索是人工智能新方向的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。